OXYGENERATOR：基于深度学习的全球海洋脱氧-century 重建
机器学习
2024-05-14 v1 人工智能
大气与海洋物理
摘要
准确重建全球海洋脱氧趋势对于评估和保护海洋生态系统至关重要。现有的专家主导的数值模拟难以跟上全球变暖和人类活动导致的动态变化。此外，由于高成本数据收集，历史观测数据严重稀疏，导致精确重建面临巨大挑战。本文提出了 OxyGenerator，即首个基于深度学习的模型，用于重建 1920 年至 2023 年的全球海洋脱氧。具体而言，为解决跨大尺度时间和空间的异质性问题，本文提出了可变区域图消息传递，以捕获缺失值与稀疏观测之间的复杂海洋学相关性。此外，为进一步校准不确定性，我们纳入了溶解氧（DO）变化和化学效应的归纳偏置。与现场 DO 观测数据相比，OxyGenerator 在 MAPE 上显著优于 CMIP6 数值模拟，降低 38.77%，显示出以数据驱动方式理解“无气呼吸海洋”的潜力。
引用
@article{arxiv.2405.07233,
title = {OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning},
author = {Bin Lu and Ze Zhao and Luyu Han and Xiaoying Gan and Yuntao Zhou and Lei Zhou and Luoyi Fu and Xinbing Wang and Chenghu Zhou and Jing Zhang},
journal= {arXiv preprint arXiv:2405.07233},
year = {2024}
}
备注
Accepted to ICML 2024